📋 核心規則摘要
- Rule： AI 正在重新定價人力資本，對資本配置者而言，這不是科技業人事新聞，是企業利潤率的 regime change 信號。
- Mechanism： 軟體公司人事費用佔營收過半，當 AI 讓更少人產出更多，砍掉的人事成本直接轉化為淨利，而華爾街的激勵結構會加速這個趨勢擴散。
- Boundary： 這條規則主要適用於人事費用佔比高的軟體與知識服務業，對硬體製造、實體產線的適用性有限。
- Trade-offs： 配置受益股 vs 配置基礎設施 vs 不動，各有代價。
- Misread Guardrail： 這不是叫你明天去放空僱用大量工程師的公司，這是提醒你重新檢視投資組合中隱含的人力成本假設。
2026 年 2 月 26 日，Block（原 Square，股票代碼 XYZ）宣布裁員超過 4,000 人，員工數從 10,000 多人縮減至不到 6,000 人，裁幅約 40%。CEO Jack Dorsey 在致股東信中直接把原因歸給 AI，說「智能工具」從根本上改變了建立與營運公司的意義。
股價盤後漲了 22-25%。（來源：多家媒體報導，2026/02/26，盤後交易數據）
我對這件事的興趣不在 Block 本身。一家公司裁員，市場每個月都在發生。但當你把 Block、Klarna、Salesforce、Amazon 這幾年的動作排在一起看，一個模式開始浮現。我想討論的是這個模式背後的規則。
AI 正在改寫企業的成本函數
核心規則：AI 正在重新定價人力資本
對資本配置者而言，這不是科技業人事新聞，是企業利潤率的 regime change 信號。
這句話有三層傳導。
微觀層：Operating Leverage 的結構性躍升
軟體公司的人事費用佔營收比重極高，在多數成熟軟體公司的財報中通常佔營收過半，量級在 50% 上下浮動（實際比例因公司規模與商業模式而異）。過去，軟體業的營收成長幾乎綁定人頭的線性增加，你要多賣 30% 的產品，就得多養 20-30% 的工程師、客服、PM。這讓軟體業的 operating leverage 有一個天然的天花板。
AI 把這個天花板拆掉了。
Block 的案例很有說明力。2025 全年 Gross Profit 為 $10.36B，YoY 成長 17%（來源：Block 10-K filing）。業務在成長，不是在萎縮。裁員不是因為生意做不下去，是因為 AI 讓更少的人做更多的事。當 1 個資深工程師搭配 AI 工具能產出過去 2-3 個人的工作量，公司就不需要養那麼龐大的團隊。
砍掉的 40% 人事成本，在營收不變的前提下，直接灌進淨利。
這就是 operating leverage 的 regime change。過去的估值模型，預設軟體公司要成長就得持續擴編，人事費用會等比例上升。現在這個假設正在被打破。
更關鍵的是激勵結構。華爾街看到 Block 裁員 40%，股價盤後漲超過 20%。這個訊號非常清楚：市場獎勵用更少人做更多事的公司。這代表 CEO 們有強烈的經濟動機跟進。Block 不會是最後一家。
回頭看，Block 在 2019 年底員工數約 3,835 人，到 2025 年底膨脹到 10,205 人（來源：CNN 報導 / Block 10-K）。零利率時代的過度擴張，現在被 AI 一次性校正。但校正完之後，新的均衡點不會回到 10,000 人，而是停在 6,000 人甚至更少，同時營收繼續成長。
這才是配置者需要重新校準的假設。
宏觀層：打擊的是「矽谷通膨」
從宏觀角度看，大量高薪科技人力被釋放，理論上會帶來薪資通縮壓力，進而降低消費，最終傳導到 CPI。
但規模要誠實。
廣義科技業就業佔美國總就業人口的比例，依口徑不同大約在 3-5% 之間。幾萬名高薪工程師失業，對舊金山、西雅圖的房租和高檔餐飲會有明顯影響，但對全美整體 CPI 的邊際效果有限。打擊的是「矽谷通膨」。
更有意思的傳導路徑在人才重新配置。這些被釋放的工程師不會憑空消失，他們會流向傳統產業，填補醫療、金融、製造業長期以來的數位轉型缺口。但這裡有一個摩擦成本：傳統產業給不出科技巨頭那種動輒 25-30 萬美金起跳的年薪。所以這會是一個降薪屈就的過渡期，而非無縫對接。
對配置者來說，這意味著什麼？薪資結構的 K 型分化。多數軟體工程師的薪資會停滯甚至倒退，因為供給突然增加而需求端的大廠在凍招。但少數懂 AI 模型微調、能管理大規模 GPU 叢集的基礎設施工程師，薪資會因為軍備競賽而被瘋狂競標。
這個 K 型分化本身就是一個配置信號。
結構層：微型精英化企業的崛起
第三層傳導是最長期也最不可逆的。
當生產軟體的邊際成本趨近於零，一個 3 人團隊搭配 AI 做出過去 30 人的產出，企業形態本身就在變化。創業門檻降到歷史最低點，一個週末加上每月幾十塊美金的 AI 訂閱費就能把產品推上線測試。
但硬幣的另一面是競爭爆炸。
如果每個人都能用 AI 在三天內做出一個 SaaS 產品，「會寫程式」就不再是護城河。真正的護城河從「技術能力」轉向兩件事：通路 (Distribution) 和獨家數據 (Proprietary Data)。
你有龐大的社群聲量或精準的客戶名單，別人做不出來的不是產品，是觸及率。你有某個垂直產業幾十年未公開的數據拿來微調模型，別人用同一個基礎模型跑不出你的效果。
從配置者視角看，這意味著軟體公司的估值邏輯需要重新校準。過去市場給高成長軟體公司的估值倍數，部分建立在「技術壁壘」的假設上。如果技術壁壘正在被 AI 抹平，存活下來的贏家靠的是通路和數據壁壘，那估值的錨點就要跟著移動。
你的投資組合隱含了一個 Overfitting 假設
我之前在〈過度擬合的人才〉那篇文章裡寫過，精英教育體系本質上是一台 overfitting 機器，在訓練集（過去的經濟環境）上表現完美，但在測試集（AI 重塑後的經濟環境）上泛化能力存疑。這裡不重複展開，有興趣的讀者可以回去看那篇。
但從配置者的角度，這個 overfitting 框架有一層直接的投資含義：當你的投資組合高度暴露於僱用大量高薪知識工作者的公司，你隱含的假設是「這些人力的定價不會改變」。Block 的案例告訴你，這個假設正在被挑戰，而且市場會獎勵挑戰它的公司。
這條規則在哪裡不適用
適用邊界要畫清楚。
第一，這條規則主要適用於人事費用佔營收比重高的軟體與知識服務業。AI 替代軟體工程師遠比替代實體產線工人容易。對硬體製造、半導體、物流這些實體密集的產業，人力成本結構的改變速度會慢得多。台灣的半導體供應鏈就是一個例子：AI 越聰明，對運算硬體的需求越貪婪，IC 設計和晶圓代工的人才反而更稀缺。
第二，要區分「AI 驅動的結構性轉變」和「AI washing」。有些公司借 AI 之名行裁員之實，實際上是在校正零利率時代的過度擴張。判斷方式不難，看裁員之後的營收軌跡和研發投入。如果營收持平或成長、研發不減反增，大概率是真的結構性轉變。如果營收同步下滑，那就是包裝過的業績問題。
第三，傳導速度。這不是明天就會改變你投資組合表現的事。它更像一個緩慢但不可逆的 regime shift，以季度和年度計，不以日線計。
三條路徑，各有代價
路徑 A — 乘風者。 配置受益於 operating leverage 擴張的科技股，尤其是那些人事費用佔比高、AI 導入進度領先的公司。代價是如果 AI 生產力提升不如預期，利潤率擴張的故事會反轉，你會承受估值回吐的壓力。適合對 AI 生產力提升有高度信心、且能承受波動的配置者。
路徑 B — 基礎設施押注。 不去猜哪家軟體公司會是 AI 裁員潮的贏家，改配置 AI 運算硬體供應鏈，也就是提供「鎬和鏟」的那群人。代價是這個方向的估值已經不便宜，而且是資本密集型產業，一旦 AI 資本支出週期放緩，修正幅度可能很大。適合偏好「不選邊、賣軍火」邏輯的配置者。
路徑 C — 不動。 維持現有配置，不對 AI 的人力資本重定價做任何調整。這不是錯，但你應該知道這當中的來龍去脈：你的投資組合隱含了一個「人力成本結構不變」的假設。如果 regime change 是真的，這個假設會被市場慢慢定價進去，你的配置就會在不知不覺中落後。代價是被動承受 regime shift 的逆風，不做選擇本身就是一個有代價的選擇。
⚠️ 這不是叫你明天去放空僱用大量工程師的公司，也不是在推薦任何具體標的。這是提醒你重新檢視投資組合中隱含的人力成本假設，然後自己決定要不要調整。
本文為作者的投資哲學思考，旨在交付認知框架而非具體操作建議。文中提及的資產類別與市場現象僅作為規則說明的背景，不構成任何買賣建議。每位讀者的財務狀況、風險承受度與投資目標不同，應獨立判斷文中規則的適用性。
